一个自适应重要性抽样工具包，具有变分贝叶斯、人口蒙特卡罗和马尔可夫链的实现。
pypmc的Python项目详细描述
pypmc是一个专注于自适应重要性的python包 取样。它可用于集成和采样 用户定义的目标密度。一个典型的应用是贝叶斯 推论，当一个人想从后面取样到边缘化 并计算证据。关键是创造 通过调整高斯或学生的混合建议密度 目标密度的t分量。这个包裹能有效地 将多模态函数集成到 精度不超过1%的水平。对于许多问题，这是实现的 无需用户手动输入 功能。重要性抽样支持多个 机器通过mpi4py。
可单独使用的有用工具包括：
- 重要性抽样（抽样和集成）
- 自适应马尔可夫链蒙特卡罗（抽样）
- 变分贝叶斯（聚类）
- 人口蒙特卡罗（聚类）
欢迎加入QQ群-->： 979659372
